APLICAÇÃO DE UMA REDE NARX NA MODELAGEM DA VELOCIDADE DE UM SMART PIG
|
|
- Osvaldo de Lacerda Philippi
- 5 Há anos
- Visualizações:
Transcrição
1 APLICAÇÃO DE UMA REDE NARX NA MODELAGEM DA VELOCIDADE DE UM SMART PIG Renan Pires de Araújo (1); Gustavo Fernandes de Lima (2); Victor Carvalho Galvão de Freitas (2); Adrião Duarte Dória Neto (1); Andrés Ortiz Salazar (1) 1 Universidade Federal do Rio Grande do Norte. s: eng.renanpires@gmail.com, adriao@dca.ufrn.br, andres@dca.ufrn.br 2 Instituto Federal do Rio Grande do Norte (campus Parnamirim). s: gustavo.lima@ifrn.edu.br, victor.carvalho@ifrn.edu.br Resumo: De grande utilização na indústria de petróleo e gás, as tubulações, com o tempo de uso, podem apresentar deformidades, sujeiras em seu interior e corrosão. A fim de identificar estes defeitos, uma técnica comum é o uso de um tipo de ferramenta chamada Pipeline Inspection Gauge (PIG). Como o PIG é movimentado por meio do diferencial de pressão produzido pelo fluido sua velocidade dentro da tubulação pode variar significativamente durante a inspeção. Este trabalho visa utilizar uma rede neural artificial para modelar a velocidade do PIG através de dados do diferencial de pressão. Para tanto, foi usado um PIG protótipo, cuja velocidade foi obtida por meio de um odômetro e de uma placa eletrônica, enquanto que o diferencial de pressão foi obtido por meio de sensores de pressão instalados na tubulação de testes. A rede neural escolhida foi a rede NARX. Os resultados comprovaram a possibilidade de modelar a velocidade do PIG por meio de uma rede neural NARX, obtendo resultados bastante próximos dos reais. Palavras-chave: PIG; velocidade; redes neurais; odômetro. 1. Introdução É comum na indústria de petróleo e gás, independente da etapa, isto é, desde a perfuração de poços exploratórios até a distribuição de produtos advindos do petróleo cru e do gás natural, a utilização de tubulações metálicas no transporte de fluidos. Com o tempo, devido a desgastes provocados pela passagem dos fluidos no interior dos dutos e pela presença de impurezas, como areia ou algum pequeno objeto, faz-se necessário que sejam realizados ensaios a fim de verificar a integridade das paredes interna e externa dessas tubulações e a eventual necessidade de reparos (ARAÚJO, 2017). Uma técnica de inspeção de tubulação comumente empregada pelas empresas de petróleo é o pigging, definida como a passagem de uma ferramenta chamada de Pipeline Inspection Gauge (PIG) pelo interior do duto por meio da diferença de pressão entre as regiões a montante e a jusante da ferramenta (MIRSHAMSI & RAFFEYAN, 2012). O problema desta técnica é que o operador geralmente não possui controle direto sobre a velocidade do PIG, acarretando a perda de dados de inspeção de devido à incapacidade de leitura dos sensores presentes no PIG causado pela alta velocidade do PIG (LIMA et al, 2017). Além disso, a alta velocidade também pode ser
2 prejudicial para a estrutura física desse instrumento, podendo, por exemplo, danificar o odômetro presente em seu corpo e, com isso, não ser mais capaz de medir sua velocidade. Com o intuito de contornar este problema, podem-se aplicar as redes neurais artificiais incorporadas na programação de controle do PIG, pretendendo, assim, estimar indiretamente a velocidade da ferramenta. Portanto, o objetivo geral deste trabalho é verificar a aplicabilidade de uma rede neural do tipo NARX na modelagem da velocidade de um PIG partindo de dados do diferencial de pressão atuante sobre este equipamento. 2. Fundamentação Teórica 2.1. Pipeline Inspection Gauge - PIG Podendo ser construído de diversos materiais, tamanhos e formatos, o PIG pode ser dividido em três classes, dependendo de sua função primordial: os de limpeza, destinados à remoção de detritos e sujeira interna à tubulação; os de inspeção ou instrumentados, usados na inspeção das condições do duto; e os especiais, empregados em situações específicas, tais como tamponamentos e separação de fluidos transportados numa mesma tubulação (ARAÚJO, 2017). Exceto em casos específicos (como nos esféricos), a estrutura básica de um PIG pode ser representada como ilustrada na Figura 1. Figura 1 Exemplo da estrutura de um PIG. Fonte: Lima et al (modificado), Separado por dois suportes, geralmente de poliuretano, o corpo do PIG, produzido em material metálico, é responsável por acomodar a parte eletrônica (sensores, circuitos eletrônicos) e as baterias que permitem a realização da inspeção interna da tubulação por este equipamento, quando dos instrumentados. Para que o PIG se movimente é empregada a força do próprio fluido transportado através da tubulação, necessitando apenas que haja uma diferença de pressão entre a região a jusante (a frente) e a montante (atrás) dele, respectivamente com baixa e alta pressões (LIMA et al, 2017). O odômetro instalado na parte externa do PIG tem como função fornecer um sinal elétrico
3 para o microcontrolador calcular a velocidade e o espaço percorrido pelo PIG durante a inspeção da tubulação. A fim de identificar um modelo matemático que represente o movimento do PIG no interior de uma tubulação completamente horizontal, aplicou-se a Segunda Lei de Newton ao PIG (Figura 1), obtendo as equações (1), (2) e (3):. (1). (2). (3) onde M é a massa do PIG, a é a sua aceleração, F g é a força de pressão que age sobre o PIG, causando seu movimento, P é a diferença de pressão atuante sobre o PIG, A é a área do PIG sobre a qual o fluido exerce pressão, F a é a força de atrito entre o PIG e a parede interna do duto, B é o coeficiente de atrito viscoso, v é a velocidade do PIG e F s é a força de atrito seco. Substituindo (2) e (3) em (1) e fazendo :... (4) Isolando e organizando os termos do lado direito da igualdade: (5) A partir da equação (5), verifica-se que a velocidade do PIG é dependente principalmente do diferencial de pressão. Como explicitado acima, para se chegar à equação (5), foi realizada a desconsideração da força da gravidade por causa da tubulação de testes estar na horizontal. Além disso, o atrito seco é formado pelo atrito estático e atrito dinâmico, sendo que o primeiro só atua quando o PIG quebra a sua inércia e entra em movimento e o segundo tem um baixo valor quando o PIG está em movimento. Dessa forma, a variável atrito seco foi desconsiderada. Na prática, como o valor do atrito seco e do coeficiente de atrito viscoso nem sempre são fáceis de serem obtido, aplicar uma técnica de modelagem matemática na qual essas variáveis possam estar presentes no modelo final sem que seja necessário saber seu valor de antemão é bem vinda. Neste caso, uma possibilidade é a aplicação das Redes Neurais Artificiais (ARAÚJO, 2017). 2.2 Redes Neurais Artificiais De acordo com Silva, Spatti e Flauzino (2010), as Redes Neurais Artificiais (RNA) podem ser definidas como modelos matemáticos inspirados no cérebro humano, idealizados a partir do modelo do neurônio artificial de McCulloch e Pitts,
4 cuja capacidade computacional é adquirida através do aprendizado por meio de exemplos. A forma como uma RNA trabalha pode ser sintetizado da seguinte forma (OLIVEIRA, 2012): os vetores de dados de entrada são enviados, após serem ponderados de acordo com cada peso correspondente, para cada neurônio da estrutura, onde cada dado ponderado é adicionado a um limiar de ativação (valor pré-determinado), resultando num valor sobre o qual a função de ativação (função matemática pré-determinada de cada neurônio) agirá e, enfim, retornará os vetores de dados de saída da rede. Para Haykin (2001) e Pires (2012), as propriedades das RNAs referentes a aquisições de modelos matemático-computacionais, como capacidade de aprender a relação entre variáveis e a aquisição de modelos mais precisos por meio da alteração da estrutura da rede, são fatores que as destacam frente a outras técnicas de modelagem. Há diversos modelos de RNAs, cada uma sendo mais apropriada para certa situação. Em se tratando de séries temporais, o mais indicado é o uso de redes neurais recorrentes, cujo cálculo do valor atual é baseado em valores anteriores da rede (SILVA, 2013). Uma possível rede recorrente é a NARX (Nonlinear Auto-Regressive with exogenous input), ilustrada na Figura 2, que nada mais é do que uma rede multicamadas tendo como entrada a própria saída realimentada com atrasos temporais e uma entrada denominada de exógena. Figura 2 Exemplo de estrutura de uma rede NARX. 3. Metodologia Fonte: Silva, Para este trabalho, foi empregado um protótipo de smart PIG, de 6 polegadas de diâmetro e cerca de 40 cm de comprimento. Com seu corpo construído em aço galvanizado e com os suportes de isolamento feitos em poliuretano, apresenta externamente um odômetro e, no interior do seu corpo, uma placa eletrônica (composta principalmente por um microcontrolador Atmega 328 e um módulo de cartão de memória SD), responsável pela aquisição, em conjunto com o odômetro, e gravação dos dados de velocidade do PIG, e um conjunto de baterias, para o funcionamento da placa eletrônica.
5 Para a simulação de uma corrida com o PIG, foi utilizada a tubulação de testes presente na Universidade Federal do Rio Grande do Norte. Com aproximadamente 55 metros de comprimento e apresentando 06 pontos de coleta de dados de pressão, a tubulação possui duas válvulas de alívio de pressão, por meio das quais é realizada a diminuição da pressão a jusante do PIG, causando um diferencial de pressão aplicado ao PIG e, consequentemente, sua movimentação. O fluido propulsor empregado foi o ar comprimido. Para a aquisição dos dados de pressão ao longo da tubulação, foram empregados transmissores de pressão modelo NP 300, da NOVUS, distribuídos ao longo de todo o comprimento do duto. Os valores lidos foram, então, enviados a um controlador lógico programável modelo TPW-03 60HT-A, da marca WEG, e redirecionados a um sistema supervisório, a fim de que fosse realizado um mapeamento das leituras durante o teste. A correlação entre os dados de diferencial de pressão e velocidade foi realizada por meio de uma rede neural NARX, empregando, para isso, um software matemático. O algoritmo de treinamento usado foi o Levemberg-Marquardt e, devido ao relativamente pequeno número de amostras para o treinamento e validação da rede, foi aplicada a técnica de validação cruzada. 4. Resultados e Discussões A Figura 3 ilustra o perfil de velocidade do PIG durante o teste, assim como a distância percorrida pelo mesmo ao longo da tubulação. Figura 3 Perfil da velocidade do PIG e sua distância percorrida no trecho analisado. Fonte: Autor. A partir da Figura 3, pode-se verificar que o PIG atingiu velocidades máximas próximas a 20 m/s durante o teste, sendo que em maior parte do tempo, sua velocidade ficou abaixo de 10 m/s. Além do mais, percebe-se também que o movimento do PIG protótipo não é constante, alternando momentos de parada, velocidade baixa e velocidade alta.
6 A Figura 4 ilustra os diferenciais de pressão obtidas ao longo do trecho percorrido pelo PIG. Cada variável DifP representa uma região da tubulação entre dois sensores consecutivos. Figura 4 Diferença de pressão nas regiões entre sensores no trecho analisado. Fonte: Autor. A partir da Figura 4, pode-se verificar a passagem do PIG ao longo da tubulação, pois, segundo Freitas (2016), quando o PIG passa por uma região entre dois sensores de pressão, há a identificação de um diferencial de pressão em torno do PIG, causador de seu movimento. Na Figura 5 está apresentada a correlação entre as Figuras 3 e 4. Figura 5 Correlação entre o diferencial de pressão sobre o PIG e sua velocidade. Fonte: Autor. É possível identificar, por meio da Figura 5, uma evidente correlação entre o diferencial de pressão atuante sobre o PIG e sua velocidade, por meio da semelhança entre os dois gráficos. A partir dos dados da Figura 5, foi criado um conjunto de pares ordenados (diferença de pressão, velocidade) a serem utilizados no treinamento e na validação da rede NARX, a fim de modelar a velocidade do PIG por meio do diferencial de pressão atuante sobre ele. A quantidade de dados de velocidade usada foi de 56 amostras. Este valor é menor que o total de dados adquiridos devido ao tratamento na escolha dos valores pois foi identificado, após tratamento estatístico, a presença de outliers, que poderiam prejudicar a eficiência da
7 RNA. De acordo com Haykin (2001), esta pequena quantidade de dados disponíveis para o treinamento da rede pode causar a inefetividade da etapa de treinamento. A fim de contornar este problema, foi empregada a técnica de validação cruzada, conforme o trabalho de Araújo (2017). Após o teste de várias estruturas de redes NARX, variando a quantidade de neurônios na camada intermediária e a de unidades de atrasos na entrada e na saída da rede, obteve-se como melhor resultado a apresentada na Figura 6: uma rede NARX com 15 neurônios, 1 atraso na entrada e 2 atrasos na saída. Figura 6 Resultado da simulação de velocidade usando a rede NARX proposta. Fonte: Autor. Pode-se verificar o ótimo resultado obtido na comparação entre o resultado da simulação da rede NARX e a velocidade real apresentada pelo PIG durante o teste. Este fato comprova que a rede neural treinada conseguiu, por meio do diferencial de pressão, predizer a velocidade do PIG com uma diferença de, no máximo, 0,5 m/s, em geral. Vale destacar que, apesar de poucos pontos ultrapassarem a margem de erro, isso foi devido: ao pequeno número de pares ordenados disponíveis na etapa de treinamento, fato a ser contornado em futuros testes, e a quantidade de variações bruscas do valor de velocidade, conhecidas como eventos de tiros. Porém, estes poucos pontos não reduzem a importância do resultado alcançado, visto que o modelo foi obtido sem a necessidade de dados técnicos sobre o PIG (tal como massa) e sobre a tubulação (material de construção), dados requeridos em outras técnicas de modelagem, e a boa aproximação alcançada em relação aos valores reais. 5. Conclusões Neste trabalho foram apresentados o treinamento e validação de uma rede neural NARX para a modelagem da velocidade de um smart PIG. O trabalho também mostrou a utilização
8 de um PIG protótipo para obtenção de dados de velocidade e de uma tubulação de testes que forneceu dados de diferencial de pressão. Os dados de pressão foram submetidos na rede neural e esta produziu valores de velocidade preditos com sucesso e de baixo erro quando comparados com os valores de velocidade do PIG protótipo. A principal contribuição deste trabalho é propor uma aplicação para redes neurais capaz de predizer a velocidade de um smart PIG permitindo, assim, uma alternativa ao odômetro, caso este seja danificado. 7. Referências ARAÚJO, R. P. Modelagem da velocidade de um PIG instrumentado usando redes neurais artificiais. Dissertação (Mestrado em Ciências e Engenharia de Petróleo), PPGCEP, UFRN, Natal RN, fls. FREITAS, V. C. G. Desenvolvimento de um sistema para supervisão de PIGs em um duto de testes. Dissertação (Mestrado em Ciências e Engenharia de Petróleo), PPGCEP, UFRN, Natal, fls. HAYKIN, S. Redes neurais: princípios e prática. 2. ed., Bookman, Porto Alegre, Tradução de Paulo Martins Engel. LIMA, G. F.; FREITAS, V. C. G.; ARAÚJO, R. P.; MAITELLI, A. L.; SALAZAR, A. O. PIG s speed estimated with pressure transducers Hall effect sensor: an industrial application of sensors to validate a testing laboratory. Sensors, v. 17, MIRSHAMSI, M.; RAFEEYAN, M. Speed control of pipeline PIG using the QFT method. Oil and Gas Science and Technology, v. 67, n. 4, p , OLIVEIRA, A. A. Seleção de poços para operações de estimulação utilizando inteligência artificial. Projeto (Graduação em Engenharia de Petróleo), Escola Politécnica, Centro de Tecnologia, UFRJ, Rio de Janeiro RJ, fls. PIRES, P. R. M. Processamento inteligente de sinais de pressão e temperatura adquiridos através de sensores permanentes em poços de petróleo. Dissertação (Mestrado em Ciências com área de concentração em Automação na Indústria de Petróleo e Gás Natural), PPGCEP, UFRN, Natal, fls. SILVA, F. F. N. Um modelo híbrido para previsão de curvas de produção de petróleo. Dissertação (Mestrado em Ciências e Engenharia de Petróleo), PPGCEP, UFRN, Natal, fls. SILVA, I. N.; SPATTI, D. H.; FLAUZINO, R. A. Redes neurais artificiais para engenharia e ciências aplicadas Curso prático. 1. ed., Artliber, São Paulo, 2010.
Congresso Nacional de Engenharia Mecânica VIII CONEM Laboratório de Avaliação de Medição em Petróleo Universidade Federal do Rio Grande do Norte
Congresso Nacional de Engenharia Mecânica VIII CONEM 2014 PROPOSTA DE CONTROLE DE VELOCIDADE PARA PIGs INSTRUMENTADOS UTILIZANDO A PLATAFORMA ARDUINO MESTRANDO GUSTAVO FERNANDES DE LIMA MESTRANDO VICTOR
Leia maisESTUDO E IMPLEMENTAÇÃO DE CÓDIGO PARA IDENTIFICAÇÃO E SUBSTITUIÇÃO DE OUTLIERS EM DADOS DE VELOCIDADE DE PIPELINES INSPECTION GAUGES (PIGs)
ESTUDO E IMPLEMENTAÇÃO DE CÓDIGO PARA IDENTIFICAÇÃO E SUBSTITUIÇÃO DE OUTLIERS EM DADOS DE VELOCIDADE DE PIPELINES INSPECTION GAUGES (PIGs) Gustavo Fernandes de Lima 1 e Andrés Ortiz Salazar 2 1 Professor
Leia maisMODELAGEM DA VELOCIDADE DE UM PIG INSTRUMENTADO USANDO REDES NEURAIS ARTIFICIAIS
UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE CENTRO DE TECNOLOGIA CT CENTRO DE CIÊNCIAS EXATAS E DA TERRA CCET PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA E ENGENHARIA DE PETRÓLEO - PPGCEP DISSERTAÇÃO DE MESTRADO
Leia mais1. INTRODUÇÃO. (a) PIG de limpeza (b) PIG instrumentado (c) flex PIG. Figura 1.1 Exemplos de PIGs
1. INTRODUÇÃO No transporte de produtos derivados do petróleo e gás natural, um modal seguro, eficiente e de baixo impacto ambiental utilizado pela indústria é o transporte dutoviário. Este permite o transporte
Leia maisSIMULAÇÃO 3D DA PERDA DE CARGA EM UMA TUBULAÇÃO PARA FLUXO LAMINAR UTILIANDO SOLIDWORKS.
SIMULAÇÃO 3D DA PERDA DE CARGA EM UMA TUBULAÇÃO PARA FLUXO LAMINAR UTILIANDO SOLIDWORKS. Alcides Gabriel Prudêncio Coutinho Maciel (1) Marcos Joselem da Silva Barros (2); Márcio Roberto de Andrade Araújo
Leia mais3 Redes Neurais Artificiais
3 Redes Neurais Artificiais 3.1. Introdução A capacidade de implementar computacionalmente versões simplificadas de neurônios biológicos deu origem a uma subespecialidade da inteligência artificial, conhecida
Leia maisREDE NEURAL DE ELMAN APLICADA NA PREVISÃO DE PREÇOS DE COMBUSTÍVEIS
REDE NEURAL DE ELMAN APLICADA NA PREVISÃO DE PREÇOS DE COMBUSTÍVEIS Renan Pires de Araújo 1 ; Adrião Duarte Dória Neto 2 1 Universidade Federal do Rio Grande do Norte, Programa de Pós-Graduação em Ciência
Leia maisIntrodução às Redes Neurais Artificiais
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Introdução às Redes Neurais Artificiais DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos
Leia mais5 Resultados de Campo
5 Resultados de Campo O modelo desenvolvido e testado no capítulo anterior foi utilizado para realizar a previsão de depósito de parafina em um poço produtor da Petrobras. Utilizando informações de geometria,
Leia maisDESENVOLVIMENTO DE TACÔMETRO MAGNÉTICO PARA MEDIÇÃO DE VELOCIDADE EM PIGs INSTRUMENTADOS
DESENVOLVIMENTO DE TACÔMETRO MAGNÉTICO PARA MEDIÇÃO DE VELOCIDADE EM PIGs INSTRUMENTADOS Antônio Eduardo de Morais Silva 1, Gustavo Fernandes de Lima 2, Andrés Ortiz Salazar 3 1 Universidade Federal do
Leia maisProposta de Tecnologia para Controle de Velocidade de PIGs Instrumentados
Proposta de Tecnologia para Controle de Velocidade de PIGs Instrumentados C. G. Pereira, R. R. G de Oliveira, G. F. de Lima, A. O. Salazar, A. L. Maitelli and F. A. O. Fontes Abstract This paper presents
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.1. Introdução às Redes Neurais Artificiais (RNAs) 2.1.1. Motivação
Leia mais3. MODELOS MATEMÁTICOS PARA FORÇAS DE CONTATO E DE REMOÇÃO
3. MODELOS MATEMÁTICOS PARA FORÇAS DE CONTATO E DE REMOÇÃO Conforme mencionado na revisão bibliográfica, pesquisadores da PUC-Rio desenvolveram alguns modelos simplificados para previsão das forças de
Leia maisSNP33D90 REDES NEURAIS ARTIFICIAIS
SNP33D90 REDES NEURAIS ARTIFICIAIS Engenharia Elétrica Prof. Dr. André A. P. Biscaro 2º Semestre de 2017 1. IDENTIFICAÇÃO UNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT Disciplina: REDES NEURAIS ARTIFICIAIS
Leia maisINTERVENÇÃO DE OLEODUTOS TERRESTRES DE TRANSMISSÃO
INTERVENÇÃO DE OLEODUTOS TERRESTRES DE TRANSMISSÃO Natanael Cesar Silva Vieira (1); Sandro Luís da Costa Alves (4) Serviço Nacional de Aprendizagem Industrial SENAI-BA. natanaelveira.tecg@gmail.com (1);
Leia maisResumo. Abstract. 1. Introdução
IBP1086_14 PROPOSTA PARA CONTROLE DE VELOCIDADE DE PIG S UTILIZANDO A PLACA ARDUINO Gustavo Fernandes de Lima 1, Victor Carvalho Galvão de Freitas 2, Ralyson Rayala Gonçalves de Oliveira 3, Andrés Ortiz
Leia maisESTUDO E IMPLEMENTAÇÃO DE CÓDIGO PARA IDENTIFICAÇÃO E SUBSTITUIÇÃO DE OUTLIERS EM DADOS DE VELOCIDADE DE PIPELINE INSPECTION GAUGES (PIGs)
IV SECITEX/XIV CONGIC ESTUDO E IMPLEMENTAÇÃO DE CÓDIGO PARA IDENTIFICAÇÃO E SUBSTITUIÇÃO DE OUTLIERS EM DADOS DE VELOCIDADE DE PIPELINE INSPECTION GAUGES (PIGs) LIMA, G. F. 1 e SALAZAR, A. O. 2 1 Professor
Leia maisIntrodução à Redes Neurais. Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana
Introdução à Redes Neurais Artificiais Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana 2 Introdução Redes Neurais Artificiais (RNAs)
Leia maisPLATAFORMA ARDUINO NO CONTROLE DE VELOCIDADE DE PIG S
PLATAFORMA ARDUINO NO CONTROLE DE VELOCIDADE DE PIG S VICTOR CARVALHO GALVÃO DE FREITAS, GUSTAVO FERNANDES DE LIMA, RALYSON RAYALA GONÇALVES DE OLIVEIRA, ANDRÉS ORTIZ SALAZAR, ANDRÉ LAURINDO MAITELLI,
Leia maisPrevisão de Vazões utilizando Redes Neurais Artificiais MLP e NSRBN
Previsão de Vazões utilizando Redes Neurais Artificiais MLP e NSRBN Alan Caio Rodrigues MARQUES 1, Gelson da Cruz JUNIOR 2, Cassio Dener Noronha VINHAL 3 Escola de Engenharia Elétrica e de Computação 1
Leia maisAplicações da Técnica de Emissão Acústica em Dutos e Tubulações
Aplicações da Técnica de Emissão Acústica em Dutos e Tubulações Pedro Feres Filho PASA - Physical Acoustic South America e-mail: pedro@pasa.com.br Tel: +11 3082 5111 Introdução Tubulações de gás, óleo
Leia maisRECONHECIMENTO DE TRAJETÓRIA COM REDES NEURAIS
1 RECONHECIMENTO DE TRAJETÓRIA COM REDES NEURAIS Giovanni Crestan Leonardo Enomoto Araki Thiago Antonio Grandi De Tolosa Wânderson de Oliveira Assis Wilson Carlos Siqueira Lima Júnior IMT Instituto Mauá
Leia maisDisciplina: Sistemas Fluidomecânicos. Equação da Quantidade de Movimento para Regime Permanente
Disciplina: Sistemas Fluidomecânicos Equação da Quantidade de Movimento para Regime Permanente Introdução A revisão de Mecânica dos Fluidos discorreu, entre outros tópicos, sobre como é realizado o balanceamento
Leia maisFelix da Cunha 412, Pelotas RS Home-Page: s: Bolsista BIC/FAPERGS
UTILIZAÇÃO DE REDES NEURAIS PARA PREVISÕES EM SÉRIES TEMPORAIS 1 A. T. Gonçalez, A. C. R. Costa, G. P. Dimuro UCPEL Universidade Católica de Pelotas, ESIN Escola de Informática GMFC Grupo de Matemática
Leia maisRedes Neurais MLP: Exemplos e Características
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais MLP: Exemplos e Características DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1
Leia maisHP UFCG Analytics Abril-Maio Um curso sobre Reconhecimento de Padrões e Redes Neurais. Por Herman Martins Gomes.
HP UFCG Analytics Abril-Maio 2012 Um curso sobre Reconhecimento de Padrões e Redes Neurais Por Herman Martins Gomes hmg@dsc.ufcg.edu.br Programa Visão Geral (2H) Reconhecimento Estatístico de Padrões (3H)
Leia maisPREVISÃO DE CASOS DE DENGUE EM ITAJAÍ SC UTILIZANDO REDES NEURAIS ARTIFICIAIS COM SAÍDAS RECORRENTES ÀS ENTRADAS
PREVISÃO DE CASOS DE DENGUE EM ITAJAÍ SC UTILIZANDO REDES NEURAIS ARTIFICIAIS COM SAÍDAS RECORRENTES ÀS ENTRADAS Munyque Mittelmann 1, Lucas Grigolon Varela 1, Daniel Gomes Soares 1 1 Instituto Federal
Leia maisRedes Neurais e Sistemas Fuzzy
Redes Neurais e Sistemas Fuzzy Aspectos Temporais Modelagem de sistemas As tarefas que estudamos, classificação e regressão, podem ser vistas como atividades de modelagem de sistemas. As técnicas de modelagem
Leia maisAlgoritmo para Determinação e Classificação de Distúrbios Múltiplos em Sistemas Elétricos 79
Algoritmo para Determinação e Classificação de Distúrbios Múltiplos em Sistemas Elétricos 79 3.3.3 Classificação dos distúrbios múltiplos Para a correta classificação dos diversos distúrbios é necessário
Leia maishydrostec VÁLVULAS DE REGULAÇÃO MULTIJATO Atuador Redutor Transmissor de posição Suporte Arcada Corpo Eixo Placa móvel Placa fixa
B30.15.0-P VÁLVULAS DE REGULAÇÃO ULTIJATO Regulação da vazão e pressão Atuador Redutor Transmissor de posição Suporte Arcada Corpo Eixo Placa móvel Placa fixa A Válvula Regulação ultijato, foi desenvolvida
Leia maisUNIVERSIDADE DE SÃO PAULO ENGENHARIA QUÍMICA LOQ4085 OPERAÇÕES UNITÁRIAS I
UNIVERSIDADE DE SÃO PAULO ENGENHARIA QUÍMICA LOQ4085 OPERAÇÕES UNITÁRIAS I Profa. Lívia Chaguri E-mail: lchaguri@usp.br Conteúdo Bombas Parte 1 - Introdução - Classificação - Bombas sanitárias - Condições
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Prof. Dr. Hugo Valadares Siqueira Semana de Eletrônica e Automação 2014 Redes Neurais Artificiais Uma rede neural artificial é um circuito composto por uma grande quantidade de
Leia mais1 RESUMO. Palavras-chave: Controle, encoders, motor CC. 2 INTRODUÇÃO
1 RESUMO Na sociedade moderna se tornou cada vez mais presente e necessário meios de controlar dispositivos levando em consideração precisões maiores e perdas menores. Em diversos cenários o controle de
Leia maisFundamentos de Inteligência Artificial [5COP099]
Fundamentos de Inteligência Artificial [5COP099] Dr. Sylvio Barbon Junior Departamento de Computação - UEL Disciplina Anual Assunto Aula 16 Redes Neurais Artificiais (MLP) 2 de 24 (MLP) Sumário Introdução
Leia maisRedes Neurais Artificial. Inteligência Artificial. Professor: Rosalvo Ferreira de Oliveira Neto
Redes Neurais Artificial Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Definições 2. Histórico 3. Conceitos Básicos 4. Aprendizado em RNA 5. Exemplo de Aprendizado com
Leia mais5 Simulação Numérica e Validação Experimental
118 5 Simulação Numérica e Validação Experimental 5.1 Introdução A simulação pelo Método dos Elementos Finitos (MEF) é cada vez mais útil na engenharia estrutural (FIALHO,2002), devido à grande capacidade
Leia maisINTELIGÊNCIA ARTIFICIAL
INTELIGÊNCIA ARTIFICIAL REDES NEURAIS Caracterização Intuitiva: Em termos intuitivos, Redes Neurais Artificiais (RNAs) são modelos matemáticos inspirados nos princípios de funcionamento dos neurônios biológicos
Leia maisAula 1 Introdução - RNA
Aula 1 Introdução - RNA Sumário 1- Conceitos Iniciais; 2- Neurônio Biológico; 3- Neurônio Artificial; 4- Funções de Ativação; 5- Comparação Neurônio Biológico e Artificial. 1- Conceitos Iniciais - Computadores
Leia maisTÓPICOS EM INTELIGÊNCIA ARTIFICIAL Redes Neurais Artificiais
TÓPICOS EM INTELIGÊNCIA ARTIFICIAL Redes Neurais Artificiais ricardo.kerschbaumer@ifc.edu.br http://professor.luzerna.ifc.edu.br/ricardo-kerschbaumer/ Introdução O Cérebro humano Mais fascinante processador
Leia maisDESENVOLVIMENTO DE UM ROBÔ AUTÔNOMO PARA PARTICIPAÇÃO EM COMPETIÇÃO DE SUMÔ RESUMO
DESENVOLVIMENTO DE UM ROBÔ AUTÔNOMO PARA PARTICIPAÇÃO EM COMPETIÇÃO DE SUMÔ Darlan Felipe Klotz 1 ; Mauro André Pagliosa 2 RESUMO Robôs autônomos estão sendo empregados em diversas tarefas onde para o
Leia maisRECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ
RECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ Marcela Ribeiro Carvalho marcela@enecar.com.br IFG/Câmpus Goiânia Hipólito Barbosa Machado Filho hipolito.barbosa@ifg.edu.br IFG/Câmpus Goiânia Programa Institucional
Leia maisTÍTULO: DESENVOLVIMENTO DE UM KIT DIDÁTICO DE PERDA DE CARGA CATEGORIA: EM ANDAMENTO ÁREA: ENGENHARIAS E ARQUITETURA SUBÁREA: ENGENHARIAS
TÍTULO: DESENVOLVIMENTO DE UM KIT DIDÁTICO DE PERDA DE CARGA CATEGORIA: EM ANDAMENTO ÁREA: ENGENHARIAS E ARQUITETURA SUBÁREA: ENGENHARIAS INSTITUIÇÃO: FACULDADE DE ENGENHARIA DE SOROCABA AUTOR(ES): RAPHAEL
Leia maisCOMPARAÇÃO ENTRE DIFERENTES ESTRUTURAS DE REDES NEURAIS NO PROBLEMA PRESA-PREDADOR 1
COMPARAÇÃO ENTRE DIFERENTES ESTRUTURAS DE REDES NEURAIS NO PROBLEMA PRESA-PREDADOR 1 Márcia Da Silva 2, Eldair Fabricio Dornelles 3, Rogério S. M. Martins 4, Édson L. Padoin 5. 1 Pesquisa desenvolvida
Leia maisCÁLCULO DO EQUILIBRIO DE TROCA-IÔNICA DO SISTEMA Na + -Pb 2+ -Cu 2+ USANDO REDES NEURAIS ARTIFICIAIS.
CÁLCULO DO EQUILIBRIO DE TROCA-IÔNICA DO SISTEMA Na + -Pb 2+ -Cu 2+ USANDO REDES NEURAIS ARTIFICIAIS. A. B. B. GIOPATTO 1, E. A. SILVA 2, T. D. MARTINS 1 1 Universidade Federal de São Paulo, Departamento
Leia maisTÍTULO: QUANTIFICAÇÃO EXPERIMENTAL DA PERDA DE CARGA LOCALIZADA EM ACESSÓRIOS PELO USO DE PIEZÔMETRO
16 TÍTULO: QUANTIFICAÇÃO EXPERIMENTAL DA PERDA DE CARGA LOCALIZADA EM ACESSÓRIOS PELO USO DE PIEZÔMETRO CATEGORIA: CONCLUÍDO ÁREA: ENGENHARIAS E ARQUITETURA SUBÁREA: ENGENHARIAS INSTITUIÇÃO: UNIVERSIDADE
Leia maisTópicos Especiais: Inteligência Artificial REDES NEURAIS
Tópicos Especiais: Inteligência Artificial REDES NEURAIS Material baseado e adaptado do Cap. 20 do Livro Inteligência Artificial de Russell & Norvig Bibliografia Inteligência Artificial Russell & Norvig
Leia maisSIMULAÇÃO NUMÉRICA DA DETECÇÃO DE VAZAMENTO EM OLEODUTO CONTENDO CONEXÃO TÊ
SIMULAÇÃO NUMÉRICA DA DETECÇÃO DE VAZAMENTO EM OLEODUTO CONTENDO CONEXÃO TÊ M. de V. ARAÚJO 1, F. D. T. de LUNA 2, S. R. de FARIAS NETO³, A. G. B. de LIMA 4 1 Universidade Federal de Campina Grande, Programa
Leia mais4 Modelos para Válvulas de Alívio
45 4 Modelos para Válvulas de Alívio Neste capítulo são descritos os três modelos de simulação do comportamento transiente de válvula de alívio que foram comparados com os dados experimentais medidos ao
Leia maisAluno: Matrícula: Data: CC76D HIDRÁULICA TRABALHO DE CASA #1
UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ CURSO DE ENGENHARIA CIVIL PR Aluno: Matrícula: Data: CC76D HIDRÁULICA TRABALHO DE CASA #1 Orientações: A entrega será individual na aula do dia 07/05 (turma S51)
Leia maisAluno: João Ferreira Orientador: Paulo Maciel
Estratégias para análise do impacto ambiental causado por centros de dados, considerando consumo de energia, eficiência energética e predições com RNA. Aluno: João Ferreira Orientador: Paulo Maciel Introdução
Leia maisparâmetros de cálculo 4. Velocidade 5. Vazão
parâmetros de cálculo 4. Velocidade Velocidade é distância percorrida por unidade de tempo. A unidade usual é m/s. Uma maneira de entender a velocidade da água na tubulação é imaginar uma partícula de
Leia maisESTUDO DA TRANSIÇÃO ENTRE ESCOAMENTO LAMINAR E TURBULENTO EM TUBO CAPILAR
ESTUDO DA TRANSIÇÃO ENTRE ESCOAMENTO LAMINAR E TURBULENTO EM TUBO CAPILAR M. H. MARTINS 1, A. KNESEBECK 1 1 Universidade Federal do Paraná, Departamento de Engenharia Química E-mail para contato: marcellohmartins@gmail.com
Leia maisDESENVOLVIMENTO DE SISTEMA DE SUPERVISÃO PARA UM DUTO DE TESTES DE PIGS
UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE CENTRO DE TECNOLOGIA CT CENTRO DE CIÊNCIAS EXATAS E DA TERRA CCET PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA E ENGENHARIA DE PETRÓLEO - PPGCEP DISSERTAÇÃO DE MESTRADO
Leia maisESTIMAÇÃO DA VELOCIDADE DE DESLOCAMENTO DE UMA ESTEIRA TRANSPORTADORA UTILIZANDO REDES NEURAIS ARTIFICIAIS
ESTIMAÇÃO DA VELOCIDADE DE DESLOCAMENTO DE UMA ESTEIRA TRANSPORTADORA UTILIZANDO REDES NEURAIS ARTIFICIAIS Samuel Vieira DIAS (1); Geraldo Luis Bezerra RAMALHO (2); (1) Instituto Federal de Educação, Ciência
Leia maisHidráulica Geral (ESA024A)
Departamento de Engenharia Sanitária e Ambiental Hidráulica Geral (ESA04A) º semestre 01 Terças de 10 às 1 h Quntas de 08 às 10h Golpe de Aríete Conceito -Denomina-se golpe de aríete ou transiente hidráulico
Leia mais7 Resultados. 7.1 Validação modelo simplificado
55 7 Resultados 7.1 Validação modelo simplificado De acordo com os dados de entrada e da metodologia de cálculo alguns resultados foram extraídos das análises. Primeiramente um comparativo entre o modelo
Leia maisDesenvolvimento de Programa para Escoamento em Rede de Fluídos Incompressíveis
Desenvolvimento de Programa para Escoamento em Rede de Fluídos Incompressíveis Celso Dias MADUREIRA 1 1 Instituto Federal de Educação, Ciência e Tecnologia do Sul de Minas Gerais Campus Pouso Alegre. Pouso
Leia mais7. APLICAÇÃO DE MODELOS PARA PREVISAO DA FORÇA DE CONTATO PIG / TUBO E COMPARAÇÃO COM RESULTADOS EXPERIMENTAIS
7. APLICAÇÃO DE MODELOS PARA PREVISAO DA FORÇA DE CONTATO PIG / TUBO E COMPARAÇÃO COM RESULTADOS EXPERIMENTAIS O objetivo principal deste trabalho era fazer uma comparação entre os valores de forças de
Leia maisEscoamentos Internos: Parte III
Escoamentos Internos: Parte III PME3222 - Mecânica dos Fluidos Para Eng. Civil PME/EP/USP Prof. Antonio Luiz Pacífico 1 Semestre de 2017 PME3222 - Mecânica dos Fluidos Para Eng. Civil (EP-PME) Esc. Turb.
Leia maisComparação de Modelos Neurais Aplicados a Resistência de Fornos de Redução do Alumínio Primário
Trabalho apresentado no DINCON, Natal - RN, 2015. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Comparação de Modelos Neurais Aplicados a Resistência de Fornos de
Leia maisSELEÇÃO DE BOMBAS HIDRÁULICAS
SELEÇÃO DE BOMBAS HIDRÁULICAS Prof. Jesué Graciliano da Silva https://jesuegraciliano.wordpress.com/aulas/mecanica-dos-fluidos/ 1- EQUAÇÃO DE BERNOULLI A equação de Bernoulli é fundamental para a análise
Leia maisCURSO: ENGENHARIA DE CONTROLE E AUTOMAÇÃO EMENTAS º PERÍODO
CURSO: ENGENHARIA DE CONTROLE E AUTOMAÇÃO EMENTAS - 2016.1 1º PERÍODO DISCIPLINA: INTRODUÇÃO AO CÁLCULO DISCIPLINA: FUNDAMENTOS DE FÍSICA DISCIPLINA: REPRESENTAÇÃO GRÁFICA DISCIPLINA: INTRODUÇÃO À ENGENHARIA
Leia maisDESENVOLVIMENTO DE UM ROBÔ AUTÔNOMO PARA PARTICIPAÇÃO EM COMPETIÇÃO DE SUMÔ
DESENVOLVIMENTO DE UM ROBÔ AUTÔNOMO PARA PARTICIPAÇÃO EM COMPETIÇÃO DE SUMÔ Darlan Klotz 1, Marcus Eduardo Deckert 1, Mauro André Pagliosa 2 1. Aluno do IFC Câmpus Luzerna, curso Técnico em Automação Industrial.
Leia maisTabela 4.1 Distribuição dos indicadores por tipo Tipo de Indicador No. de indicadores. Indicadores de Evento 93. Indicadores de Tendência 37
4 Estudo de Casos A metodologia proposta no capítulo 3 foi aplicada em casos reais coletados de equipamentos Caterpillar da Sotreq. As falhas aqui estudadas são referentes a dois componentes do caminhão:
Leia maisCONCENTRAÇÃO DE GASES DISSOLVIDOS EM TRANSFORMADORES A ÓLEO UTILIZANDO REDES NEURAIS ARTIFICIAIS
CONCENTRAÇÃO DE GASES DISSOLVIDOS EM TRANSFORMADORES A ÓLEO UTILIZANDO REDES NEURAIS ARTIFICIAIS Marco Antonio Ferreira Finocchio 1 (Prof. Mestre em Engenharia Elétrica, Universidade Tecnológica Federal
Leia maisClassificação Linear. André Tavares da Silva.
Classificação Linear André Tavares da Silva andre.silva@udesc.br Roteiro Introduzir os o conceito de classificação linear. LDA (Linear Discriminant Analysis) Funções Discriminantes Lineares Perceptron
Leia maisCONTROLE DA TEMPERATURA DE SECAGEM ARTIFICIAL DE GRÃOS 1
CONTROLE DA TEMPERATURA DE SECAGEM ARTIFICIAL DE GRÃOS 1 Saul Vione Winik 2, Vanessa Faoro 3, Rodolfo França De Lima 4, Oleg Khatchatourian 5, Cristiano Osinski 6. 1 Projeto de Iniciação Científica 2 Bolsista
Leia maisPalavras-chave: Microcontrolador, Conversor de Frequência, Sistema de Resfriamento Evaporativo, Temperatura, Controle.
AVALIAÇÃO DE APLICABILIDADE E CONSTRUÇÃO DE CONTROLADORES AUTOMÁTICOS DE VELOCIDADE PARA CLIMATIZADORES EVAPORATIVOS Luiz Felipe Albuquerque Ota Aluno do IFMT, Campus Cuiabá, bolsista PIBIT/Cnpq André
Leia maisPME/EP/USP. Prof. Antonio Luiz Pacífico
Exercícios PME 3230 - Mecânica dos Fluidos I PME/EP/USP Prof. Antonio Luiz Pacífico 2 Semestre de 2016 PME 3230 - Mecânica dos Fluidos I (EP-PME) Exercícios 2 Semestre de 2016 1 / 20 Conteúdo da Aula 1
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS REDE ADALINE e REGRA DELTA Prof. Dr. André A. P. Biscaro 2º Semestre de 2017 Aspectos históricos O ADALINE foi idealizado por Widrow & Hoff em 1960. Sua principal aplicação estava
Leia maisMinicurso: Inteligência Artificial Aplicada a Sistemas Elétricos
Minicurso: Inteligência Artificial Aplicada a Sistemas Elétricos Introdução a Machine Learning: Teoria, Aplicações e IA na Arquitetura Intel Vitor Hugo Ferreira, DSc - UFF Flávio Mello, DSc UFRJ e Ai2Biz
Leia maisExperimento científico para a determinação da aceleração da gravidade local empregando materiais de baixo custo
Experimento científico para a determinação da aceleração da gravidade local empregando materiais de baixo custo Marcos Aurélio da Silva 1 1 Professor do Ensino Básico, Técnico e Tecnológico do Instituto
Leia maisInteligência Computacional
Inteligência Computacional INTRODUÇÃO ÀS REDES NEURAIS ARTIFICIAIS Renato Dourado Maia Faculdade de Ciência e Tecnologia de Montes Claros Fundação Educacional Montes Claros Na Aula Passada... O que é uma
Leia maisRESUMO MECFLU P3. REVER A MATÉRIA DA P2!!!!! Equação da continuidade Equação da energia 1. TEOREMA DO TRANSPORTE DE REYNOLDS
RESUMO MECFLU P3 REVER A MATÉRIA DA P2!!!!! Equação da continuidade Equação da energia 1. TEOREMA DO TRANSPORTE DE REYNOLDS Equação do Teorema do Transporte de Reynolds: : variação temporal da propriedade
Leia maisMODELAGEM DE UM SISTEMA DE DISTRIBUIÇÃO DE ENERGIA CONSIDERANDO A APLICAÇÃO EM REDES INTELIGENTES (SMART GRIDS) 1
MODELAGEM DE UM SISTEMA DE DISTRIBUIÇÃO DE ENERGIA CONSIDERANDO A APLICAÇÃO EM REDES INTELIGENTES (SMART GRIDS) 1 Caroline Denardi Commandeur 2, Jonatas Rodrigo Kinas 3, Mauricio De Campos 4, Paulo S Sausen
Leia maisSimpósio Brasileiro de Automação Inteligente XI SBAI 2013
Simpósio Brasileiro de Automação Inteligente XI SBAI 2013 CONTROLE DE TEMPERATURA DE UMA TOCHA DE PLASMA TÉRMICO COM ACOPLAMENTO INDUTIVO UTILIZANDO A PLACA ARDUINO GUSTAVO FERNANDES DE LIMA (Mestrando)
Leia maisMineração de Dados aplicada a Gestão de Negócios. Aula 2. Prof. Dr. Sylvio Barbon Junior
Aula 2 Introdução Redes Neurais Prof. Dr. Sylvio Barbon Junior barbon@uel.br Sumário 1- Inteligência Artificial 2- Introdução às Redes Neurais Artificiais 3- Modelos de Redes Neurais supervisionados e
Leia maisBruna Galle UPE Ecomp Mêuser Valença UPE Ecomp
Bruna Galle UPE Ecomp bcga@ecomp.poli.br Mêuser Valença UPE Ecomp meuserv@yahoo.com.br Roteiro Motivação Objetivos Conceitos básicos: Redes Neurais Pré processamento dos Dados Treinamento Resultados Conclusões
Leia maisDESENVOLVIMENTO DE VEICULOS AUTONOMOS EM ESCALA EM AMBIENTE DE SIMULAÇÃO COMPUTACIONAL
DESENVOLVIMENTO DE VEICULOS AUTONOMOS EM ESCALA EM AMBIENTE DE SIMULAÇÃO COMPUTACIONAL Aluno: Renan de Lima Simões Mondego Vilela Orientador: Mauro Speranza Neto Introdução O presente projeto é continuação
Leia maisExame de Ingresso ao PPG- AEM 2014/1sem
Universidade de São Paulo Escola de Engenharia de São Carlos Exame de Ingresso ao PPG- AEM 2014/1sem Nome do Candidato: R.G.: Data: Assinatura: Indique a área de concentração de interesse (em ordem decrescente
Leia maisPrimeiras Redes Neurais Artificiais: Perceptron e Adaline
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Primeiras Redes Neurais Artificiais: Perceptron e Adaline DCA0121 Inteligência Artificial Aplicada Heitor
Leia maisFUNDAMENTAÇÃO HIDROMECÂNICA Princípios Básicos
FUNDAMENTAÇÃO HIDROMECÂNICA Princípios Básicos Sistemas Hidráulicos podem ser descritos por leis que regem o comportamento de fluidos confinados em: regime permanente (repouso) invariante no tempo; regime
Leia maisUtilização das Redes Neurais Artificiais na Adaptação de Modelos de Propagação em Ambiente Fechado AMBIENTE E SETUP DE MEDIÇÃO
Utilização das Redes Neurais Artificiais na Adaptação de Modelos de Propagação em Ambiente Fechado JULIANA MONTEIRO, MÁRCIO RODRIGUES, GLEYCE CALDEIRA E JOSIANE RODRIGUES. Instituto de Estudos Superiores
Leia maisExemplo. T 1 2g = -2a T 2 g = a. τ = I.α. T 1 T 2 g = - 3a a g = - 3a 4a = g a = g/4. τ = (T 1 T 2 )R. T 1 T 2 = Ma/2 T 1 T 2 = a.
Exercícios Petrobras 2008 eng. de petróleo Dois corpos de massa m 1 = 2 kg e m 2 = 1 kg estão fixados às pontas de uma corda com massa e elasticidade desprezíveis, a qual passa por uma polia presa ao
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS PERCEPTRON MULTICAMADAS Prof. Dr. André A. P. Biscaro 1º Semestre de 2018 Arquitetura Redes Perceptron de Múltiplas Camadas (PMC), também conhecidas como redes MLP (Multiple Layer
Leia mais2ª PROVA ICIN 1º/2015
Departamento de Engenharia Elétrica Prof. Adolfo Bauchspiess Faculdade de Tecnologia Laboratório de Automação e Robótica Universidade de Brasília 163848 INTRODUÇÃO AO CONTROLE INTELIGENTE NUMÉRICO - 1
Leia maisDETERMINAÇÃO EXPERIMENTAL DOS PARÂMETROS DE UM MODELO PARA UM PROCESSO MULTIVARIÁVEL DE QUATRO TANQUES ACOPLADOS.
DETERMINAÇÃO EXPERIMENTAL DOS PARÂMETROS DE UM MODELO PARA UM PROCESSO MULTIVARIÁVEL DE QUATRO TANQUES ACOPLADOS. M.C. de Freitas, F.V. da Silva. Universidade Estadual de Campinas, Faculdade de Engenharia
Leia maisAula 02 - Perda de Carga Localizada
Aula 02 - Perda de Carga Localizada Essas perdas, também conhecidas como singulares ou secundárias, ocorrem quando à mudança no módulo, ou na direção da velocidade. Uma mudança no diâmetro (ou na seção
Leia maisVazão. Conceito de Vazão
Vazão Conceito de Vazão Quando se toma um ponto de referência, a vazão é a quantidade do produto ou da utilidade, expressa em massa ou em volume, que passa por ele, na unidade de tempo. A unidade de vazão
Leia maisRede Perceptron. Capítulo 3
Rede Perceptron Capítulo 3 Rede Perceptron É a forma mais simples de configuração de uma RNA (idealizada por Rosenblatt, 1958) Constituída de apenas uma camada, tendo-se ainda somente um neurônio nesta
Leia mais4 Desenvolvimento de Algoritmos de controle
4 Desenvolvimento de Algoritmos de controle 4.1 Introdução Os estudos das características sensoriais e equações de movimento realizados com o robô ER1, junto com as ferramentas de simulação, permitem o
Leia maisDESENVOLVIMENTO DE VEICULOS AUTONOMOS EM ESCALA EM AMBIENTE DE SIMULAÇÃO COMPUTACIONAL
DESENVOLVIMENTO DE VEICULOS AUTONOMOS EM ESCALA EM AMBIENTE DE SIMULAÇÃO COMPUTACIONAL Aluno: Renan de Lima Simões Mondego Vilela Orientador: Mauro Speranza Neto Introdução O presente projeto é continuação
Leia maisINSTALAÇÕES HIDRÁULICAS PREDIAIS
INSTALAÇÕES HIDRÁULICAS PREDIAIS AULA 04 Prof. Guilherme Nanni prof.guilherme@feitep.edu.br 7º Semestre Engenharia civil CONTEÚDO DA AULA PRESSÕES MÍNIMAS E MÁXIMAS PRESSÃO ESTÁTICA, DINÂMICA E DE SERVIÇO
Leia maisAPLICAÇÃO DE REDES NEURAIS ARTIFICIAIS PARA ESTIMAR MATRIZ ORIGEM-DESTINO DE CARGA
APLICAÇÃO DE REDES NEURAIS ARTIFICIAIS PARA ESTIMAR MATRIZ ORIGEM-DESTINO DE CARGA Daniel Neves Schmitz Gonçalves Luiz Antonio Silveira Lopes Marcelino Aurelio Vieira da Silva APLICAÇÃO DE REDES NEURAIS
Leia maisInteligência Artificial Redes Neurais
Inteligência Artificial Jarley P. Nóbrega, Dr. Faculdade Nova Roma Bacharelado em Ciência da Computação jpn@jarley.com Semestre 2018.2 Jarley P. Nóbrega, Dr. (Nova Roma) Inteligência Artificial Semestre
Leia maisAnálise comparativa entre métodos estatístico e rede neural aplicados em séries temporais
Análise comparativa entre métodos estatístico e rede neural aplicados em séries temporais Ana Paula de Sousa José Elmo de Menezes Introdução As formas funcionais dos modelos de previsão das redes neurais
Leia maisREDES NEURAIS ARTIFICIAIS
REDES NEURAIS ARTIFICIAIS REDES NEURAIS ARTIFICIAIS O QUE É UMA REDE NEURAL NEURÔNIOS BIOLÓGICOS CÉREBRO HUMANO E CAPACIDADE DE GENERALIZAÇÃO. Modelo McCulloch e Pitts FUNÇÕES DE ATIVAÇÃO APRENDIZADO APRENDIZADO
Leia maisAnais do IX Congresso Brasileiro de Redes Neurais / Inteligência Computacional (IX CBRN)
EFICIÊNCIA ENERGÉTICA EM SISTEMAS DE VENTILAÇÃO AXIAL UTILIZANDO REDES NEU- RAIS ARTIFICIAIS MOREIRA, ADSON B., TEIXEIRA, VANESSA S. C.. Curso de Engenharia Elétrica, Universidade Federal do Ceará Campus
Leia mais2 Fundamentos Teóricos
Fundamentos Teóricos.1.Propriedades Físicas dos Fluidos Fluidos (líquidos e gases) são corpos sem forma própria; podem se submeter a variações grandes da forma sob a ação de forças; quanto mais fraca a
Leia mais